Guide de lecture localisé
huggingface-trackioObjectif, utilisation et source
Suivez et visualisez vos expériences d'entraînement ML avec Trackio. Utilisez-le pour enregistrer les métriques pendant l'entraînement (API Python), déclencher des alertes pour les diagnostics d'entraînement, ouretrieving/analyzingMétriques enregistrées (CLI). Prend en charge la visualisation en temps réel sur un tableau de bord, les alertes via webhooks, la synchronisation avec HF Space et la sortie JSON pour l'automatisation.
Source récupérée:
- Dépôt source
- huggingface/skills
- SKILL.md
skills/huggingface-trackio/SKILL.md- Étoiles du dépôt
- 11,241
- Mise à jour du dépôt
- 2026-10-30
- Catégories de capacités
- Développement
- Dernière collecte
Licence : Apache-2.0
Les extraits de flux de travail sont des outils de lecture et non des instructions exécutables de Codez. Aucune compétence tierce n'a été utilisée pour générer cette page.
Les passages relatifs à l'objectif et au flux de travail ci-dessous constituent le contenu original, organisé et traduit pour la lecture. Ils sont distincts de l'analyse éditoriale de Codez, qui est étiquetée séparément.
À quoi sert cette compétence ?
Suivez et visualisez vos expériences d'entraînement ML avec Trackio. Utilisez-le pour enregistrer les métriques pendant l'entraînement (API Python), déclencher des alertes pour les diagnostics d'entraînement, ouretrieving/analyzingMétriques enregistrées (CLI). Prend en charge la visualisation en temps réel sur un tableau de bord, les alertes via webhooks, la synchronisation avec HF Space et la sortie JSON pour l'automatisation.
Comment fonctionne le flux de travail en amont
Flux de travail d'expérimentation ML autonome
Lors de l'exécution d'expériences de manière autonome en tant qu'agent LLM, le flux de travail recommandé est le suivant : Configurer l'entraînement avec des alertes — insérertrackio.alert()Demande de diagnostic ; Lancer l’entraînement — exécuter le script en arrière-plan ; Interroger les alertes — utilisertrackio list alerts --project --json --since vérifier les nouvelles alertes
Trackio - Suivi des expériences pour l'apprentissage automatique
Trackio est une bibliothèque de suivi d'expériences permettant d'enregistrer et de visualiser les métriques d'entraînement des modèles de machine learning. Elle se synchronise avec Hugging Face Spaces pour des tableaux de bord de surveillance en temps réel.
passage en amont · L6 ↗API Python → Journalisation
Utiliserimport trackiodans vos scripts d'entraînement pour enregistrer les métriques : Initialisez le suivi avectrackio.init()
Configuration requise
import trackio
# Spaces are PUBLIC by default (good for shareable dashboards);
# pass private=True if the metrics should not be public
trackio.init(project="my-project", space_id="username/trackio", private=True)
trackio.log({"loss": 0.1, "accuracy": 0.9})
trackio.log({"loss": 0.09, "accuracy": 0.91})
trackio.finish()Limites et contrôles de qualité
Aucun passage de limite distinct n'a été sélectionné dans ce fichier. Cela ne signifie pas que la compétence est sûre pour toutes les entrées ou tous les environnements. Consultez le code source complet et validez vos résultats.
Commencez par un essai sans danger
- Vérifiez l'hôte pris en charge et les instructions d'installation du dépôt. Conservez le répertoire Skill ainsi que ses scripts, ressources et documentation référencés ;SKILL.mdSeul, il peut omettre les dépendances.
- Indiquez à l'agent vos paramètres d'entrée réels, le résultat souhaité et les critères d'acceptation. La syntaxe d'appel et les outils disponibles dépendent du système hôte ; ce site ne propose pas de commande d'installation universelle.
- Testez le flux de travail source dans un projet temporaire ou sur une copie. Avant d'autoriser les opérations qui modifient des fichiers, des services distants ou des ressources facturables, examinez-les attentivement.
- Vérifiez la conformité du résultat avec les contrôles qualité sources et vos propres exigences. Un déclenchement réussi ou un nombre élevé d'étoiles dans le dépôt ne garantissent pas un résultat correct.
Pour en savoir plus, consultez la source.
Compétences connexes
Traduction et étendue
Ce guide de lecture sélectionne des passages de l'amont épingléSKILL.mdCette traduction est assistée. Elle ne constitue pas un manuel complet et ne garantit pas une compatibilité testée. Veuillez lire le document original et les fichiers auxquels il fait référence avant utilisation.
Cette introduction fait référence à la version épinglée ci-dessous ; l’activité actuelle du dépôt et la durée de la collecte sont indiquées séparément.
- Source épinglée
- Lire l'original ↗
- Source récupérée
- Commit source
fabc634a893f62ad5c2039830397efa35fa62715- Source SHA-256
540f52974f4f77c2455a7b37ed983da0dbfb0f5af3d2c482e4736f14f1cc8724